AIStoryBoard/python/generate_models_excel.py

import pandas as pd
import os

# 性能评分函数（分数越高性能越强）
def get_performance_score(model_name):
    """根据模型名称返回性能评分"""
    name_lower = model_name.lower()
    
    # GPT-5.2系列（最高性能）
    if 'gpt-5.2-pro' in name_lower:
        return 100
    elif 'gpt-5.2' in name_lower:
        return 95
    
    # GPT-5.1系列
    elif 'gpt-5.1' in name_lower:
        return 90
    elif 'gpt-5-pro' in name_lower:
        return 88
    elif 'gpt-5' in name_lower and 'mini' not in name_lower and 'nano' not in name_lower:
        return 85
    
    # o1/o3/o4推理模型（高性能）
    elif 'o1' in name_lower and 'mini' not in name_lower:
        return 92
    elif 'o3' in name_lower:
        return 90
    elif 'o4' in name_lower:
        return 88
    elif 'o1-mini' in name_lower:
        return 80
    
    # Claude Opus系列（高性能）
    elif 'claude-opus-4-5' in name_lower:
        return 93
    elif 'claude-opus-4' in name_lower:
        return 91
    elif 'claude-opus' in name_lower:
        return 89
    
    # GPT-4.1系列
    elif 'gpt-4.1' in name_lower and 'mini' not in name_lower and 'nano' not in name_lower:
        return 82
    elif 'gpt-4.1-mini' in name_lower:
        return 75
    elif 'gpt-4.1-nano' in name_lower:
        return 70
    
    # Claude Sonnet系列
    elif 'claude-sonnet-4-5' in name_lower:
        return 87
    elif 'claude-sonnet-4' in name_lower:
        return 85
    elif 'claude-3-7-sonnet' in name_lower:
        return 84
    elif 'claude-3-5-sonnet' in name_lower:
        return 83
    
    # GPT-4o系列
    elif 'gpt-4o' in name_lower and 'mini' not in name_lower:
        return 80
    elif 'gpt-4o-mini' in name_lower:
        return 70
    
    # GPT-4系列
    elif 'gpt-4-turbo' in name_lower or 'gpt-4-vision' in name_lower:
        return 78
    elif 'gpt-4' in name_lower and 'mini' not in name_lower and 'o' not in name_lower:
        return 75
    
    # Gemini Pro系列
    elif 'gemini-3-pro' in name_lower:
        return 85
    elif 'gemini-2.5-pro' in name_lower:
        return 82
    
    # DeepSeek V3系列
    elif 'deepseek-v3.2' in name_lower or 'deepseek-v3-2' in name_lower:
        return 78
    elif 'deepseek-v3.1' in name_lower:
        return 76
    elif 'deepseek-v3' in name_lower or 'deepseek-chat' in name_lower:
        return 74
    elif 'deepseek-r1' in name_lower or 'deepseek-reasoner' in name_lower:
        return 77
    
    # Claude Haiku系列
    elif 'claude-haiku-4-5' in name_lower:
        return 72
    elif 'claude-3-5-haiku' in name_lower:
        return 70
    
    # Gemini Flash系列
    elif 'gemini-3-flash' in name_lower:
        return 75
    elif 'gemini-2.5-flash' in name_lower and 'lite' not in name_lower:
        return 72
    elif 'gemini-2.5-flash-lite' in name_lower:
        return 65
    
    # Qwen系列
    elif 'qwen3-coder-480b' in name_lower:
        return 76
    elif 'qwen3-235b' in name_lower:
        return 74
    elif 'qwen3-coder-plus' in name_lower:
        return 72
    
    # Kimi系列
    elif 'kimi-k2-thinking-turbo' in name_lower:
        return 78
    elif 'kimi-k2' in name_lower:
        return 75
    
    # Grok系列
    elif 'grok-4' in name_lower and 'fast' not in name_lower:
        return 73
    elif 'grok-4-fast' in name_lower:
        return 68
    
    # GPT-5 mini/nano
    elif 'gpt-5-mini' in name_lower:
        return 75
    elif 'gpt-5-nano' in name_lower:
        return 70
    
    # GPT-3.5系列
    elif 'gpt-3.5-turbo-16k' in name_lower:
        return 65
    elif 'gpt-3.5-turbo' in name_lower:
        return 63
    
    # 向量模型（性能评分较低，因为它们不是生成模型）
    elif 'text-embedding' in name_lower:
        return 30
    
    # 默认评分
    else:
        return 50

# 定义模型数据（完整版）
models_data = []

# GPT-5系列
models_data.extend([
    {"模型名称": "gpt-5.2", "输入价格": 0.01225, "输出价格": 0.098, "特点": "面向各行各业的编码和智能体任务的旗舰模型"},
    {"模型名称": "gpt-5.2-2025-12-11", "输入价格": 0.01225, "输出价格": 0.098, "特点": "面向各行各业的编码和智能体任务的旗舰模型"},
    {"模型名称": "gpt-5.2-chat-latest", "输入价格": 0.01225, "输出价格": 0.098, "特点": "指向 ChatGPT网页版本 当前使用的 GPT-5.2 快照"},
    {"模型名称": "gpt-5.2-pro", "输入价格": 0.147, "输出价格": 1.176, "特点": "目前仅在响应 API 中可用，用于支持在响应 API 请求之前进行多轮模型交互"},
    {"模型名称": "gpt-5.2-pro-2025-12-11", "输入价格": 0.147, "输出价格": 1.176, "特点": "目前仅在响应 API 中可用，用于支持在响应 API 请求之前进行多轮模型交互"},
    {"模型名称": "gpt-5.1", "输入价格": 0.00875, "输出价格": 0.07, "特点": "用于编码和智能体任务的旗舰模型，它具备可配置的推理和非推理能力"},
    {"模型名称": "gpt-5.1-2025-11-13", "输入价格": 0.00875, "输出价格": 0.07, "特点": "用于编码和智能体任务的旗舰模型，它具备可配置的推理和非推理能力"},
    {"模型名称": "gpt-5.1-chat-latest", "输入价格": 0.00875, "输出价格": 0.07, "特点": "指向 ChatGPT 当前使用的 GPT-5.1 快照"},
    {"模型名称": "gpt-5.1-codex", "输入价格": 0.00875, "输出价格": 0.07, "特点": "GPT-5.1-Codex 是 GPT-5 的一个版本，针对智能编码任务进行了优化"},
    {"模型名称": "gpt-5-search-api", "输入价格": 0.00875, "输出价格": 0.07, "特点": "Openai 出的搜索模型,支持网络搜索"},
    {"模型名称": "gpt-5", "输入价格": 0.00875, "输出价格": 0.07, "特点": "GPT-5 是用于跨领域编码、推理和代理任务的旗舰模型"},
    {"模型名称": "gpt-5-codex", "输入价格": 0.00875, "输出价格": 0.07, "特点": "GPT-5-Codex 是针对代理编码任务优化"},
    {"模型名称": "gpt-5-pro", "输入价格": 0.105, "输出价格": 0.84, "特点": "使用更多的计算来更努力地思考，并始终如一地提供更好的答案"},
    {"模型名称": "gpt-5-mini", "输入价格": 0.00175, "输出价格": 0.014, "特点": "GPT-5 mini 是 GPT-5 的一个更快、更经济的版本"},
    {"模型名称": "gpt-5-nano", "输入价格": 0.00035, "输出价格": 0.0028, "特点": "GPT-5 Nano 是速度最快、成本最低的 GPT-5 版本"},
    {"模型名称": "gpt-5-chat-latest", "输入价格": 0.00875, "输出价格": 0.07, "特点": "GPT-5 Chat 指的是 ChatGPT 当前使用的 GPT-5 快照"},
])

# o3/o4系列
models_data.extend([
    {"模型名称": "o3", "输入价格": 0.014, "输出价格": 0.056, "特点": "为数学、科学、编码、视觉推理任务和技术写作设定了新的标准"},
    {"模型名称": "o3-2025-04-16", "输入价格": 0.014, "输出价格": 0.056, "特点": "为数学、科学、编码、视觉推理任务和技术写作设定了新的标准"},
    {"模型名称": "o4-mini", "输入价格": 0.0088, "输出价格": 0.0352, "特点": "为数学、科学、编码、视觉推理任务和技术写作设定了新的标准"},
    {"模型名称": "o4-mini-2025-04-16", "输入价格": 0.0088, "输出价格": 0.0352, "特点": "为数学、科学、编码、视觉推理任务和技术写作设定了新的标准"},
])

# GPT-4.1系列
models_data.extend([
    {"模型名称": "gpt-4.1", "输入价格": 0.014, "输出价格": 0.056, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-4.1-2025-04-14", "输入价格": 0.014, "输出价格": 0.056, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-4.1-mini", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-4.1-mini-2025-04-14", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-4.1-nano", "输入价格": 0.0007, "输出价格": 0.0028, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-4.1-nano-2025-04-14", "输入价格": 0.0007, "输出价格": 0.0028, "特点": "OpenAI最新推出的模型 在编码、指令跟踪和长上下文方面都有重大改进1M输入32k输出"},
    {"模型名称": "gpt-oss-20b", "输入价格": 0.0008, "输出价格": 0.0032, "特点": "OpenAI最新推出的开源模型"},
    {"模型名称": "gpt-oss-120b", "输入价格": 0.0044, "输出价格": 0.0176, "特点": "OpenAI最新推出的开源模型"},
])

# GPT-3.5系列
models_data.extend([
    {"模型名称": "gpt-3.5-turbo", "输入价格": 0.0035, "输出价格": 0.0105, "特点": "默认模型，等于gpt-3.5-turbo-0125"},
    {"模型名称": "gpt-3.5-turbo-1106", "输入价格": 0.007, "输出价格": 0.014, "特点": "2023年11月6日更新的模型"},
    {"模型名称": "gpt-3.5-turbo-0125", "输入价格": 0.0035, "输出价格": 0.0105, "特点": "2024年1月25日最新模型，数据最新，价格更更低，速度更快"},
    {"模型名称": "gpt-3.5-turbo-16k", "输入价格": 0.021, "输出价格": 0.028, "特点": "适合快速回答简单问题,字数更多"},
    {"模型名称": "gpt-3.5-turbo-instruct", "输入价格": 0.0105, "输出价格": 0.014, "特点": "Completions模型 用于文本生成"},
])

# o1系列
models_data.extend([
    {"模型名称": "o1-mini", "输入价格": 0.0088, "输出价格": 0.0352, "特点": "针对复杂任务的推理模型"},
    {"模型名称": "o1-preview", "输入价格": 0.105, "输出价格": 0.42, "特点": "针对复杂任务的推理模型"},
    {"模型名称": "o3-mini", "输入价格": 0.0088, "输出价格": 0.0352, "特点": "针对复杂任务的推理模型"},
    {"模型名称": "o1", "输入价格": 0.12, "输出价格": 0.48, "特点": "o1系列模型经过强化学习训练，可以进行复杂的推理"},
])

# GPT-4o系列
models_data.extend([
    {"模型名称": "gpt-4o-search-preview", "输入价格": 0.0175, "输出价格": 0.07, "特点": "Openai 出的搜索模型,支持网络搜索"},
    {"模型名称": "gpt-4o-search-preview-2025-03-11", "输入价格": 0.0175, "输出价格": 0.07, "特点": "Openai 出的搜索模型,支持网络搜索"},
    {"模型名称": "gpt-4o-mini-search-preview", "输入价格": 0.00105, "输出价格": 0.0042, "特点": "Openai 出的搜索模型,支持网络搜索"},
    {"模型名称": "gpt-4o-mini-search-preview-2025-03-11", "输入价格": 0.00105, "输出价格": 0.0042, "特点": "Openai 出的搜索模型,支持网络搜索"},
    {"模型名称": "gpt-4", "输入价格": 0.21, "输出价格": 0.42, "特点": "默认模型，等于gpt-4-0613"},
    {"模型名称": "gpt-4o", "输入价格": 0.0175, "输出价格": 0.07, "特点": "Openai 价格更低, 速度更快更聪明,指向最新版的4o版本"},
    {"模型名称": "gpt-4o-2024-05-13", "输入价格": 0.035, "输出价格": 0.105, "特点": "Openai 2024-05-13出的gpt-4o模型"},
    {"模型名称": "gpt-4o-2024-08-06", "输入价格": 0.0175, "输出价格": 0.07, "特点": "Openai 2024-08-06出的gpt-4o模型 支持128k输入,16k输出"},
    {"模型名称": "gpt-4o-2024-11-20", "输入价格": 0.0175, "输出价格": 0.07, "特点": "Openai 2024-11-20出的gpt-4o模型, 该模型的创意写作能力得到了提升"},
    {"模型名称": "chatgpt-4o-latest", "输入价格": 0.035, "输出价格": 0.105, "特点": "动态更新的版本，持续集成OpenAI最新的研究成果"},
    {"模型名称": "gpt-4o-mini", "输入价格": 0.00105, "输出价格": 0.0042, "特点": "Openai 最新模型, 价格更低, 输出质量在3.5之上4o之下, 并且支持读图"},
    {"模型名称": "gpt-4-0613", "输入价格": 0.21, "输出价格": 0.42, "特点": "2023年6月13日更新的模型"},
    {"模型名称": "gpt-4-turbo-preview", "输入价格": 0.07, "输出价格": 0.21, "特点": "最新模型，输入128K，输出最大4K"},
    {"模型名称": "gpt-4-0125-preview", "输入价格": 0.07, "输出价格": 0.21, "特点": "2024年1月25日更新的模型，输入128K，输出最大4K"},
    {"模型名称": "gpt-4-1106-preview", "输入价格": 0.07, "输出价格": 0.21, "特点": "2023年11月6日更新的模型，输入128K，输出最大4K"},
    {"模型名称": "gpt-4-vision-preview", "输入价格": 0.07, "输出价格": 0.21, "特点": "多模态，支持图片识别"},
    {"模型名称": "gpt-4-turbo", "输入价格": 0.07, "输出价格": 0.21, "特点": "Openai 最新模型多模态，支持图片识别，支持函数tools"},
    {"模型名称": "gpt-4-turbo-2024-04-09", "输入价格": 0.07, "输出价格": 0.21, "特点": "Openai 最新模型多模态，支持图片识别，支持函数tools"},
])

# GPT-CA系列（第三方提供商）
models_data.extend([
    {"模型名称": "gpt-5.2-ca", "输入价格": 0.007, "输出价格": 0.056, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5.2-chat-latest-ca", "输入价格": 0.007, "输出价格": 0.056, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5.1-ca", "输入价格": 0.005, "输出价格": 0.04, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5.1-chat-latest-ca", "输入价格": 0.005, "输出价格": 0.04, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5-ca", "输入价格": 0.005, "输出价格": 0.04, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5-mini-ca", "输入价格": 0.001, "输出价格": 0.008, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5-nano-ca", "输入价格": 0.0002, "输出价格": 0.0016, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-5-chat-latest-ca", "输入价格": 0.005, "输出价格": 0.04, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-4.1-ca", "输入价格": 0.008, "输出价格": 0.032, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-4.1-mini-ca", "输入价格": 0.0016, "输出价格": 0.0064, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-4.1-nano-ca", "输入价格": 0.0004, "输出价格": 0.003, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-4o-ca", "输入价格": 0.01, "输出价格": 0.04, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "gpt-4o-mini-ca", "输入价格": 0.00075, "输出价格": 0.003, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "o1-mini-ca", "输入价格": 0.012, "输出价格": 0.048, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
    {"模型名称": "o1-preview-ca", "输入价格": 0.06, "输出价格": 0.24, "特点": "第三方优质提供商提供的服务,优点价格便宜,但是稳定性没有非-ca的好"},
])

# DeepSeek系列
models_data.extend([
    {"模型名称": "deepseek-v3.2", "输入价格": 0.0012, "输出价格": 0.0018, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-v3.2-thinking", "输入价格": 0.0012, "输出价格": 0.0018, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-v3-2-exp", "输入价格": 0.0012, "输出价格": 0.0018, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-v3.1-250821", "输入价格": 0.0024, "输出价格": 0.0072, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-v3.1-think-250821", "输入价格": 0.0024, "输出价格": 0.0072, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-reasoner", "输入价格": 0.0024, "输出价格": 0.0096, "特点": "deepseek的思考R1模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-r1", "输入价格": 0.0024, "输出价格": 0.0096, "特点": "deepseek的思考R1模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-r1-250528", "输入价格": 0.0024, "输出价格": 0.0096, "特点": "deepseek的思考R1模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-v3", "输入价格": 0.0012, "输出价格": 0.0048, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
    {"模型名称": "deepseek-chat", "输入价格": 0.0012, "输出价格": 0.0048, "特点": "deepseek的聊天模型, 此模型由第三方(火山引擎)供应商提供"},
])

# Claude系列
models_data.extend([
    {"模型名称": "claude-opus-4-5-20251101", "输入价格": 0.025, "输出价格": 0.125, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-opus-4-5-20251101-thinking", "输入价格": 0.025, "输出价格": 0.125, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-haiku-4-5-20251001", "输入价格": 0.005, "输出价格": 0.025, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-haiku-4-5-20251001-thinking", "输入价格": 0.005, "输出价格": 0.025, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-sonnet-4-5-20250929", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-sonnet-4-5-20250929-thinking", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-opus-4-1-20250805", "输入价格": 0.075, "输出价格": 0.375, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-opus-4-1-20250805-thinking", "输入价格": 0.075, "输出价格": 0.375, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-opus-4-20250514", "输入价格": 0.075, "输出价格": 0.375, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-opus-4-20250514-thinking", "输入价格": 0.075, "输出价格": 0.375, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-sonnet-4-20250514", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-sonnet-4-20250514-thinking", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-3-7-sonnet-20250219", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-3-5-sonnet-20240620", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-3-5-sonnet-20241022", "输入价格": 0.015, "输出价格": 0.075, "特点": "claude的模型, 此模型由第三方供应商提供"},
    {"模型名称": "claude-3-5-haiku-20241022", "输入价格": 0.005, "输出价格": 0.025, "特点": "claude的模型, 此模型由第三方供应商提供"},
])

# Gemini系列
models_data.extend([
    {"模型名称": "gemini-2.5-pro", "输入价格": 0.007, "输出价格": 0.04, "特点": "是gemini 最新的旗舰模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-2.5-flash", "输入价格": 0.0012, "输出价格": 0.01, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-2.5-flash-nothinking", "输入价格": 0.0012, "输出价格": 0.01, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-2.5-flash-lite", "输入价格": 0.0004, "输出价格": 0.0016, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-2.5-flash-image-preview", "输入价格": 0.0015, "输出价格": 0.15, "特点": "Google Gemini的生图模型也是大家口中所说的nano banana 一张图的价格大概在2毛钱左右"},
    {"模型名称": "gemini-3-pro-image-preview", "输入价格": 0, "输出价格": 0.68, "特点": "Google Gemini的生图模型也是大家口中所说的nano banana2"},
    {"模型名称": "gemini-3-pro-preview", "输入价格": 0.008, "输出价格": 0.048, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-3-flash-preview", "输入价格": 0.002, "输出价格": 0.012, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
    {"模型名称": "gemini-3-flash-preview-nothinking", "输入价格": 0.002, "输出价格": 0.012, "特点": "Google Gemini 的模型, 此模型由第三方供应商提供"},
])

# Grok系列
models_data.extend([
    {"模型名称": "grok-4", "输入价格": 0.012, "输出价格": 0.06, "特点": "grok基础模此模型由第三方供应商提供"},
    {"模型名称": "grok-4-fast", "输入价格": 0.0008, "输出价格": 0.002, "特点": "grok基础模此模型由第三方供应商提供"},
])

# Qwen系列
models_data.extend([
    {"模型名称": "qwen3-235b-a22b", "输入价格": 0.0014, "输出价格": 0.0056, "特点": "qwen最新的开源模型, 此模型由第三方供应商提供"},
    {"模型名称": "qwen3-235b-a22b-instruct-2507", "输入价格": 0.0014, "输出价格": 0.0056, "特点": "qwen最新的开源模型, 此模型由第三方供应商提供"},
    {"模型名称": "qwen3-coder-plus", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "qwen最新的开源模型, 此模型由第三方供应商提供"},
    {"模型名称": "qwen3-coder-480b-a35b-instruct", "输入价格": 0.0042, "输出价格": 0.0168, "特点": "qwen最新的开源模型, 此模型由第三方供应商提供"},
])

# Kimi系列
models_data.extend([
    {"模型名称": "kimi-k2-0711-preview", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "kimi最新的模型, 此模型由第三方供应商提供"},
    {"模型名称": "kimi-k2-0905-preview", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "kimi最新的模型, 此模型由第三方供应商提供"},
    {"模型名称": "kimi-k2-thinking", "输入价格": 0.0028, "输出价格": 0.0112, "特点": "kimi最新的模型, 此模型由第三方供应商提供"},
    {"模型名称": "kimi-k2-thinking-turbo", "输入价格": 0.0056, "输出价格": 0.0406, "特点": "kimi最新的模型, 此模型由第三方供应商提供"},
])

# 向量模型
models_data.extend([
    {"模型名称": "text-embedding-ada-002", "输入价格": 0.0007, "输出价格": 0, "特点": "向量嵌入模型"},
    {"模型名称": "text-embedding-3-small", "输入价格": 0.00014, "输出价格": 0, "特点": "小型向量模型"},
    {"模型名称": "text-embedding-3-large", "输入价格": 0.00091, "输出价格": 0, "特点": "大型向量模型"},
])

# 转换为DataFrame
df = pd.DataFrame(models_data)

# 计算平均价格
df['平均价格'] = (df['输入价格'] + df['输出价格'].fillna(0)) / 2
df.loc[df['输出价格'] == 0, '平均价格'] = df.loc[df['输出价格'] == 0, '输入价格']

# 添加性能评分
df['性能评分'] = df['模型名称'].apply(get_performance_score)

# 格式化价格显示（人民币）
df['输入价格(元/1K)'] = df['输入价格'].apply(lambda x: f"¥{x:.5f}")
df['输出价格(元/1K)'] = df['输出价格'].apply(lambda x: f"¥{x:.5f}" if x > 0 else "N/A")

# 创建document目录（如果不存在）
output_dir = "../document"
if not os.path.exists(output_dir):
    os.makedirs(output_dir)

# 准备导出列
export_columns = ['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格', '特点']
export_columns_with_perf = ['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格', '性能评分', '特点']

# 1. 按输入价格排序
df_input = df.sort_values('输入价格', ascending=True).reset_index(drop=True)
export_df_input = df_input[export_columns].copy()
export_df_input['平均价格(元/1K)'] = export_df_input['平均价格'].apply(lambda x: f"¥{x:.5f}")
export_df_input = export_df_input[['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格(元/1K)', '特点']]

# 2. 按输出价格排序（输出价格为0的放最后）
df_output = df.copy()
df_output['输出价格_排序'] = df_output['输出价格'].apply(lambda x: x if x > 0 else 999999)
df_output = df_output.sort_values('输出价格_排序', ascending=True).reset_index(drop=True)
export_df_output = df_output[export_columns].copy()
export_df_output['平均价格(元/1K)'] = export_df_output['平均价格'].apply(lambda x: f"¥{x:.5f}")
export_df_output = export_df_output[['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格(元/1K)', '特点']]

# 3. 按平均价格排序
df_avg = df.sort_values('平均价格', ascending=True).reset_index(drop=True)
export_df_avg = df_avg[export_columns].copy()
export_df_avg['平均价格(元/1K)'] = export_df_avg['平均价格'].apply(lambda x: f"¥{x:.5f}")
export_df_avg = export_df_avg[['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格(元/1K)', '特点']]

# 4. 按性能从强到弱排序
df_perf = df.sort_values('性能评分', ascending=False).reset_index(drop=True)
export_df_perf = df_perf[export_columns_with_perf].copy()
export_df_perf['平均价格(元/1K)'] = export_df_perf['平均价格'].apply(lambda x: f"¥{x:.5f}")
export_df_perf = export_df_perf[['模型名称', '输入价格(元/1K)', '输出价格(元/1K)', '平均价格(元/1K)', '性能评分', '特点']]

# 使用ExcelWriter创建包含多个sheet的Excel文件
file_path = os.path.join(output_dir, "ChatAnywhere_所有模型价格表_完整版.xlsx")

with pd.ExcelWriter(file_path, engine='openpyxl') as writer:
    export_df_input.to_excel(writer, sheet_name='按输入价格排序', index=False)
    export_df_output.to_excel(writer, sheet_name='按输出价格排序', index=False)
    export_df_avg.to_excel(writer, sheet_name='按平均价格排序', index=False)
    export_df_perf.to_excel(writer, sheet_name='按性能从强到弱', index=False)

print(f"✅ Excel文件已成功生成！")
print(f"📁 文件位置: {os.path.abspath(file_path)}")
print(f"📊 共 {len(df)} 个模型")
print(f"📑 包含4个Sheet:")
print(f"   1. 按输入价格排序")
print(f"   2. 按输出价格排序")
print(f"   3. 按平均价格排序")
print(f"   4. 按性能从强到弱")
print(f"\n前5个性能最强的模型:")
print(export_df_perf.head(5)[['模型名称', '性能评分']].to_string(index=False))